Menu
Search
Vendredi 29 Mars 2024
S'abonner
close
Vendredi 29 Mars 2024
Menu
Search
Accueil next Salon international de l'agriculture de Meknès

Big data : Quelles opportunités pour les entreprises ?

Les entreprises sont confrontées à de nouveaux challenges liés à d'importants flux de données provenant de sources différentes, sous forme structurée ou non. L'avènement du big data vient apporter une réponse à ces challenges. Que recouvre la notion de big data ? Comment en tirer profit ? Et quelle démarche adopter pour gérer ces flux d’informations ? Le point avec Mouhsine Lakhdissi, professeur et consultant international, fondateur et associé de plusieurs start-ups technologiques.

Big data : Quelles opportunités  pour les entreprises ?

Le Matin éco : Que recouvre la notion de big data ?
Mouhsine Lakhdissi : Si le pétrole était le carburant pour passer à la société industrielle, la donnée est le nouveau pétrole nécessaire pour construire la société du savoir. Les données sont également considérées comme le nouvel or et la nouvelle devise. Face à la prolifération des données, avec l'avènement des réseaux sociaux et des objets connectés, leur centralisation grâce au web et au cloud et la distribution de leur production qui deviens de plus en plus collaborative et continue grâce au mobile, de nouveaux défis font surface : le volume, la variété et la vélocité (règle des 3V) de stockage et de traitement des données. Ce qui implique des contraintes importantes aussi bien technologiques que métier. L'avènement du big data vient apporter une réponse à ces challenges qui vont au-delà du décisionnel classique, car les données ne sont pas que structurées et ne proviennent pas uniquement des systèmes d'information de l'entreprise, mais surtout de sources externes et variées. Dans l'agriculture, à titre d'exemple, qui est un secteur très variable et très consommateur de données, il faut combiner les données météo, celles provenant des capteurs au sol agricole ou des capteurs satellitaires, avec des données étatiques publiques (prix des produits agricoles), des informations provenant des réseaux sociaux ou de forums de discussion agricoles, en plus des données provenant des systèmes de gestion de fermes, pour construire des analyses pertinentes, des courbes de tendances, des benchmarks ou des prévisions. Par exemple, on peut définir de bonnes pratiques de conduite technique (apport recommandé en intrant) par culture et par région pour améliorer le rendement des parcelles en se basant sur des paramètres de météo, de nature du sol et de rentabilité du produit agricole.

Comment tirer profit du big data ?
Le big data est une opportunité extraordinaire pour une entreprise, un secteur, voire un pays. En effet, il permet de disposer de la connaissance utile et nécessaire au bon moment pour mieux gérer la complexité croissante de l'opérationnel. Pour en tirer pleinement profit, il faut d'abord définir la démarche qui doit permettre de collecter, traiter et analyser les données. Ensuite, il faut identifier le domaine métier le plus adéquat pour lancer un pilote ou un Proof of Concept. Par la suite, il faut valider le choix des outils et des technologies adaptées et enfin construire une organisation et une gouvernance permettant de pérenniser et de valoriser les initiatives big data. Dans ce sens, il faut partir sur des organisations plus agiles sous forme de labs internes et multidisciplinaires (métier, informatique et innovation) avec des équipes mixtes internes et externes.

Quelle démarche pour gérer ces flux d’informations ?
La démarche globale consiste à collecter l'information, la stocker, la traiter, l'analyser et la visualiser. Pour chacune des étapes, des bonnes pratiques sont de rigueur et des outils sont disponibles comme les outils de web scrapping ou de traitement des logs comme Apache Flume, des bases de données NoSQL pour le stockage selon différents formats comme MongoDB, Cassandra ou Neo4J, des distributions Hadoop pour le traitement distribué comme Cloudera ou Hortonworks, des bibliothèques ou des langages de Data Mining et Machine Learning comme R ou Weka et des outils de visualisation de données comme Tableau. Il faut noter que la nature des données à collecter, du type de stockage à choisir, des analyses à exécuter et des usages à en faire dépend fortement des métiers et de la nature des données. D'où l'importance d'associer les équipes métier et les experts statistiques au processus tout entier. La démarche se doit d'être incrémentale. 

Lisez nos e-Papers